Day 5 - Week 1 종합: AI/ML 기초 복습

이번 주 흐름

복습은 암기가 아니라 개념이 어떻게 연결되는지를 다시 그려 보는 시간이다.

[Day1] AI > ML > DL 관계
   ↓
[Day2] ML의 학습 유형 (지도·비지도·강화)
   ↓
[Day3] ML이 적합한 문제 vs 아닌 문제
   ↓
[Day4] 핵심 용어 (모델·학습·추론·특성·레이블·과적합)

Day 1 복습: AI·ML·DL의 관계

• AI ⊃ 머신러닝 ⊃ 딥러닝
• AI: 지능적 행동을 흉내 내는 모든 기술(규칙 기반 포함)
• 머신러닝: 데이터로부터 규칙을 학습하는 방법
• 딥러닝: 신경망을 깊게 쌓은 머신러닝의 한 종류
• 사람이 규칙을 직접 적은 시스템은 AI일 수 있어도 머신러닝은 아니다.

Day 2 복습: 학습 유형

자주 헷갈리는 두 쌍을 다시 정리한다.

• 분류 vs 회귀: 출력이 범주면 분류, 숫자면 회귀.
• 분류 vs 군집: 정답 레이블이 있으면 분류, 없으면 군집.

Day 3 복습: ML이 적합한 문제

• 전통적 프로그래밍: 데이터 + 규칙 → 결과
• 머신러닝: 데이터 + 결과 → 규칙

• 가장 단순하면서 충분한 방법을 고르는 것이 좋은 설계다.

Day 4 복습: 핵심 용어

특성 + 레이블 [학습 데이터]
   ↓ 학습(Training)
[모델] 완성
   ↓ 추론(Inference)
새 입력(특성) → 예측된 레이블
   ↓
[테스트 데이터]로 평가 → 과적합/과소적합 점검

• 모델: 학습된 규칙 덩어리
• 학습 vs 추론: 모델을 만드는 과정 vs 만든 모델로 예측하는 과정
• 특성 vs 레이블: 입력 정보 vs 맞혀야 할 정답
• 과적합 vs 과소적합: 학습 데이터만 외운 상태 vs 학습이 부족한 상태

이번 주 내용은 AIF-C01 시험의 "AI/ML 기초 개념" 영역의 토대다. 이 흐름을 명확히 이해해야 이후 생성형 AI, AWS AI 서비스 같은 심화 주제를 무리 없이 따라갈 수 있다.

자주 틀리는 함정 정리

지문을 읽는 순서: 네 번 물으면 답이 남는다

나흘치 내용은 따로 외우면 흩어지지만, 질문의 순서로 엮으면 하나의 판별 절차가 된다.

① 규칙을 누가 만들었나?
   ├─ 사람이 조건을 직접 적었다 ─────────► 규칙 기반(AI일 수는 있어도 ML 아님)
   └─ 데이터에서 학습했다 ───────────────► 머신러닝 (②로)
                                            └ 여러 층의 신경망이면 딥러닝

② 무엇을 보고 배웠나?
   ├─ 정답(레이블)이 붙은 데이터 ────────► 지도학습 (③으로)
   ├─ 정답 없는 데이터 ──────────────────► 비지도학습 (군집·차원 축소·이상 탐지)
   └─ 행동의 결과로 받은 보상 ───────────► 강화학습

③ 맞히려는 답의 모양은?
   ├─ 정해진 종류 중 하나 ───────────────► 분류
   └─ 크기에 의미가 있는 숫자 ───────────► 회귀

④ 성능 이야기가 나오면 두 점수를 본다
   ├─ 학습도 낮고 테스트도 낮다 ─────────► 과소적합
   ├─ 학습만 높고 테스트가 뚝 떨어진다 ──► 과적합
   └─ 둘 다 높고 차이가 작다 ────────────► 일반화가 잘 됨

• ①보다 앞선 질문이 하나 더 있다. "애초에 ML이 필요한가"(Day 3). 규칙이 한 줄이거나, 정해진 결과가 필요하거나, 데이터가 없으면 ①로 들어갈 이유가 없다.
• ②와 ③을 섞지 말 것. "그룹으로 나눈다"는 말만 보고 분류를 고르면 틀린다. 먼저 ②에서 레이블 유무를 확인해야 분류와 군집이 갈린다.

한 사례로 나흘치를 꿰기

온라인 서점이 "반품될 주문을 미리 알아내고 싶다"고 한다. 이 한 문장에 이번 주 내용이 전부 걸린다.

• 질문을 조금만 바꾸면 답이 달라진다. "반품 금액이 얼마일까" → 회귀. "반품 기록 없이 고객을 유형별로 나눠 보자" → 군집. "주문마다 어떤 쿠폰을 보여 줄지 반응을 보며 익히자" → 강화학습.

종합 판별표

자주 헷갈리는 짝, 지문의 단어로 가르기

다음 주에는 이 기초 위에서 ML 수명주기(수집 → 준비 → 학습 → 평가 → 배포 → 모니터링)와 데이터, 평가 지표, 사람의 역할을 다룬다.

📖 용어

• AI ⊃ ML ⊃ DL : "AI 안에 머신러닝이, 머신러닝 안에 딥러닝이 들어 있다"는 포함 관계 표기.
• 지도학습 : 문제와 정답을 함께 주고 배우게 하는 방식.
• 비지도학습 : 정답 없이 데이터만 주고 숨은 구조를 스스로 찾게 하는 방식.
• 강화학습 : 보상과 벌점을 주며 시행착오로 행동 요령을 익히게 하는 방식.
• 분류 vs 회귀 : 답이 "종류"면 분류, 답이 "숫자"면 회귀.
• 군집 : 정답 없이 비슷한 데이터끼리 자동으로 묶는 작업.
• 특성 vs 레이블 : 예측에 넣는 입력 정보가 특성, 맞혀야 할 정답이 레이블.
• 추론 : 완성된 모델에 새 입력을 넣어 답을 얻는 단계.
• 과적합 : 학습 데이터를 통째로 외워 새 데이터에서 힘을 못 쓰는 상태.
• 일반화 : 학습 때 못 본 데이터에서도 잘 맞히는 성질. 모델의 최종 목표.

📝 연습 문제

선택지를 클릭하면 정답·해설이 펼쳐집니다.

문제 1

AI·머신러닝·딥러닝의 관계와 학습 유형에 대한 설명으로 옳은 것은?

• A딥러닝이 AI보다 넓은 개념이다
• B머신러닝은 데이터로 규칙을 학습하며, 딥러닝은 그중 신경망 기반 방식이다
• C지도학습은 정답이 전혀 없는 데이터로 학습한다
• D강화학습은 정답 레이블을 그대로 외워서 학습한다

문제 2

"고객 데이터를 정답 없이 비슷한 성향끼리 자동으로 묶는다"와 "내일 기온이 몇 도일지 숫자로 예측한다"는 각각 어떤 작업인가?

• A둘 다 분류
• B군집과 회귀
• C회귀와 군집
• D둘 다 강화학습

문제 3

어떤 업무에서 규칙이 매우 단순하고 명확하며("금액 × 고정 세율"), 결과는 항상 100% 정확해야 한다. 이에 대한 판단으로 가장 적절한 것은?

• A데이터가 많으니 무조건 딥러닝을 써야 한다
• B규칙이 단순하고 완전한 정확성이 필요하므로 전통적 프로그래밍이 더 적합하다
• C군집을 사용하면 가장 정확하게 해결된다
• D머신러닝이 항상 더 정확하므로 머신러닝을 써야 한다

문제 4

학습된 모델이 학습 데이터에서는 거의 완벽하지만 새로운 데이터에서는 성능이 크게 떨어졌다. 그리고 특성과 레이블의 정의를 묻는다. 옳은 설명은?

• A이 상태는 과소적합이며, 특성은 정답을 뜻한다
• B이 상태는 과적합이며, 특성은 입력 정보, 레이블은 맞혀야 할 정답이다
• C이 상태는 추론이며, 레이블은 입력 정보를 뜻한다
• D이 상태는 일반화가 잘 된 이상적인 모델이다

문제 5

이번 주에 배운 내용을 종합할 때, 좋은 머신러닝 활용 판단으로 가장 적절한 것은?

• A모든 문제에 가장 복잡한 딥러닝을 적용한다
• B문제의 성격·데이터 양·정확성 요구를 보고 가장 단순하면서 충분한 방법을 선택한다
• C테스트 데이터를 학습에 포함해 정확도를 높인다
• D정답이 있는 데이터에는 항상 군집을 사용한다